10月思考

在这里插入图片描述
1. 快乐的时光总是短暂的,快乐的时光又分为两种,一种是没有留下印象的时间,一种是能够留下长久印象的快乐时光。从时间的非线性角度上来理解,即从人感知时间的方式来理解的话。我们应该去做更多的,能够留下深刻印象的事情。更多的去参与到一些有意义的,一些新鲜的体验里面去。这样回顾起来,人生就会过得更加的充实
2. 下单买了iPhone12,想了3天,各种理由,本质其实还是满足欲望,这里不是需求,而是欲望,因为准确的讲手上的xs 能够满足99%的需求。12就是换了外壳以及更好的CPU。但就是想买,这里带来两个问题。
满足欲望能够带来很大的愉悦感,是否应该满足?之前买高规格的mac就是类似的体验
满足一个具体的欲望能够让人从欲望的幻象中解放自己的注意力,这是什么道理?
如何控制欲望?——愿望清单,买上一代旗舰产品
3. 自我1和自我2 ,高效学习的关键在于关闭自我1的评判,让自我2根据环境的信息自行做出判断做出行为调整优化。
4. 什么是不评判?没有对错,没有好于不好,只是感知,然后做出行为,根据反馈做出调整,反馈是一种评判吗?——反馈不是一种评判,评判指的是主观的对于自己行为的评价,反馈是客观的看到事情本质以及可以提高的空间和方向,并为此得出下一步行动指南
5. 从线下实体店体验到线上购物未来思考
线下购物的用户体验是远好于线上的,原因在于沉浸式的场景,触觉、嗅觉的加入以及线下服务人员带来的即时的反馈,比线上要更加详尽的信息
所以未来的话如果真的能够增加触觉,味觉的维度,加上增强现实、虚拟现实技术的运用,想必是一个完全不同的层次了。这样的技术降低了内容制造的成本,同时人获取信息的效率大大提高。从人类记录信息、获取信息的历史来看,信息形态从 绘画 到 文字 到 照片 到 视频 再到 虚拟现实 再到 虚拟增强现实,得益于存储传递信息能力的增强,每一次记录的信息都更加的详细,更加具象化,更接近于人接收信息的原始状态。
这就会带来一个问题,人学习很多抽象的东西还有用吗?有什么用呢?比如文字,学习文字的成本很高,但是如果你直接给我一个视频来讲述事情,信息传递的效率其实是更高的,理解起来也更加的直观,更加的准确。那么学习文字还有必要吗?——有必要,抽象是为了更容易的记忆和更大范围的应用,具体是为了更准确的理解
6. 人对于未知的事物总是怀抱着一种即向往又恐惧的态度,矛盾又现实。对于未知的好奇和探索是写在人类基因里面的,关于这一点的证据就是大家对于固定工作的厌倦对于移动办公的向往;以及在一个环境待了几天就会产生厌倦情绪,想要去新鲜的地方。
7. 从沟通问题花费太多时间得出,这个事情抽象出来就是解决问题的目的性,以快速解决问题为第一要义,其它的都不用想太多。
那么到底要不要照顾别人的情绪?——看对象,越是专业的人,优秀的人越不用照顾他的情绪。越是不专业的人往往对这件事情比较在意,比如我,比如一些刚工作的小朋友们。另外从乔布斯那里也得到印证, 他要招最好的人,对待最好的人从来不用照顾他们的情绪,对他们最大的奖赏就是工作成果
如何在多任务的情况下依然保持工作的节奏性和做事情的全面性?

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值